CN106874634A - 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 - Google Patents
基于逆高斯退化模型的剩余寿命贝叶斯预测方法 Download PDFInfo
- Publication number
- CN106874634A CN106874634A CN201710234069.4A CN201710234069A CN106874634A CN 106874634 A CN106874634 A CN 106874634A CN 201710234069 A CN201710234069 A CN 201710234069A CN 106874634 A CN106874634 A CN 106874634A
- Authority
- CN
- China
- Prior art keywords
- delta
- lambda
- sigma
- omega
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明涉及一种基于逆高斯退化模型的剩余寿命贝叶斯预测方法,该方法主要包括以下步骤:(1)建立逆高斯退化模型与剩余寿命预测模型;(2)设逆高斯退化模型的尺度参数与均值参数为随机参数,构建随机参数的共轭先验分布函数;(3)根据Bayes理论推导随机参数的后验分布函数;(4)设计EM算法估计随机参数先验分布函数的超参数值;(5)估计随机参数的后验期望值;(6)预测产品的剩余寿命。该方法可有效融合先验退化数据与现场退化数据,提高剩余寿命预测值的准确度与置信度。
Description
技术领域
本发明属于可靠性工程领域,涉及一种基于逆高斯退化模型的剩余寿命贝叶斯预测方法。
背景技术
当代社会对产品的可靠性要求越来越高,产品的质量监控与健康管理也朝着精细化方向发展,因此,如何提前准确预测出产品的剩余寿命成为了目前的一个研究热点。逆高斯退化模型具有优良的统计特性,适合对单调性能退化过程建模,已经广泛用于退化失效型产品的剩余寿命预测。为了有效融合多源退化数据提高剩余寿命的预测准确度和可信度,发明一种基于逆高斯退化模型的剩余寿命贝叶斯预测方法。
发明内容
发明一种基于逆高斯退化模型的剩余寿命贝叶斯预测方法,该方法的具体技术方案为:
步骤一:建立逆高斯退化模型与剩余寿命预测模型
设产品的性能退化过程{Y(t),t≥0}服从逆高斯退化模型,则Y(t)~IG(μΛ(t),λΛ(t)2),Y(t)的概率密度函数表示为
式中,μ为均值参数,λ为尺度参数,Λ(t)=tΛ为时间函数。设产品性能指标的失效阈值为D,则产品的寿命ξ为Y(t)首次到达D的时间,ξ的累积分布函数为
式中,Φ(·)为标准Normal分布的累积分布函数。产品的剩余寿命L(t)是指从时刻t的性能退化量Y(t)到首次超过D的时间,可以表示为L(t)=inf{x|Y(t+x)≥D,x>0},则产品寿命ξ与剩余寿命L(t)之间的关系为ξ=L(t)+t。
步骤二:设逆高斯退化模型的尺度参数与均值参数为随机参数,构建随机参数的共轭先验分布函数
为了有效融合先验退化数据有现场退化数据,提高剩余寿命预测值的准确度与可信度,设μ,λ作为随机参数。并且为了便于统计分析,采用μ,λ的共轭先验分布:设λ服从Gamma分布λ~Ga(a,b),其概率密度函数表示为
设δ=1/μ服从条件正态分布δ|λ~N(c,d/λ),其概率密度函数为
其中,a,b,c,d是随机参数的超参数。
步骤三:根据Bayes理论推导随机参数的后验分布函数
设yi,j为第i个产品的第j次性能退化测量值,△yi,j为退化增量,△Λi,j为时间增量,根据逆Gaussian过程的统计特性建立似然函数为
建立完全对数似然函数为
设f(δi,λi)是随机参数δi,λi的联合先验概率密度函数,则有f(δi,λi)=f(λi)·f(δi|λi),通过Bayesian公式f(δi,λi|△yi)∝L(δi,λi)·f(δi,λi)推导出联合后验概率密度函数f(δi,λi|△yi),得到随机参数δi,λi的后验分布为
其中,
步骤四:设计EM算法估计随机参数先验分布函数的超参数值
设计EM算法估计超参数Ω=(a,b,c,d),EM算法每一步迭代包含E步和M步。E步的任务是求取隐含数据项的期望值,设Ω(l)为第l次迭代后的估计值向量,则在第l+1次迭代中,隐含数据项λi,lnλi,λiδi,的期望值为
式中,ψ(·)为digamma函数。将完全似然函数式(1)中的各隐含数据项利用对应的期望值代替后,M步的任务是极大化式(1),解得c(l+1),d(l+1),b(l+1)及a(l+1)的表达式如下
式中,ψ-1(·)为逆digamma函数。
EM算法的执行过程为:
初始化:设l=0,Ω(0)=(1,1,1,1);
第l+1次迭代:
E步:计算E(λi|yi,Ω(l)),E(lnλi|yi,Ω(l)),E(λiδi|yi,Ω(l))及
M步:解得c(l+1),d(l+1),b(l+1)及a(l+1),将Ω(l)更新为Ω(l+1);
结束条件:max(Ω(l+1)-Ω(l))<10-3或l达到最大迭代数。
步骤五:估计随机参数的后验期望值
设产品在时间tj的现场性能退化数据为△xj,j=1,2,…,k,首先将随机参数在时间tj的后验分布函数更新为
其中,
然后,根据Gamma函数与Normal函数的统计特性估计随机参数的后验期望值为
步骤六:预测产品的剩余寿命
利用随机参数的后验期望值更新累积失效分布函数
利用Fξ(t|△x)计算出E(ξ|△x),产品在t时刻的剩余寿命预测值为L(t)=E(ξ|△x)-t。
附图说明
图1基于逆高斯退化模型的剩余寿命贝叶斯预测方法。
具体实施方式
下面结合附图对本发明实现步骤进行进一步说明。
实施例:电连接器的主要失效模式有机械失效,电气失效,绝缘失效三种,机械失效主要由接插件应力松弛造成,性能退化量y为接插件应力值x相对于初始应力值x0的百分比变化y=(x-x0)/x0×%,每个样品在0时刻的性能退化量为0,失效阈值为D=30%。电连接器的6组先验性能退化数据及测量时间如表1所示,1组现场性能退化数据如表2所示。
表1电连接器的先验性能退化数据
表2电连接器的现场性能退化数据
步骤一:建立逆高斯退化模型与剩余寿命预测模型,产品性能指标的失效阈值为D=30%,则产品的寿命ξ的累积分布函数为
产品的剩余寿命L(t)是指从时刻t的性能退化量Y(t)到首次超过D的时间L(t)=inf{x|Y(t+x)≥0.3,x>0}。
步骤二:设逆高斯退化模型的尺度参数与均值参数为随机参数,构建随机参数的共轭先验分布函数。设μ,λ作为随机参数。并且为了便于统计分析,采用μ,λ的共轭先验分布:设λ服从Gamma分布λ~Ga(a,b),其概率密度函数表示为
设δ=1/μ服从条件正态分布δ|λ~N(c,d/λ),其概率密度函数为
其中,a,b,c,d是随机参数的超参数。
步骤三:根据Bayes理论推导随机参数的后验分布函数。设yi,j为第i个产品的第j次性能退化测量值,△yi,j为退化增量,△Λi,j为时间增量,根据逆Gaussian过程的统计特性建立似然函数为
建立完全对数似然函数为
设f(δi,λi)是随机参数δi,λi的联合先验概率密度函数,则有f(δi,λi)=f(λi)·f(δi|λi),通过Bayesian公式f(δi,λi|△yi)∝L(δi,λi)·f(δi,λi)推导出联合后验概率密度函数f(δi,λi|△yi),得到随机参数δi,λi的后验分布为
其中,
步骤四:设计EM算法估计随机参数先验分布函数的超参数值,EM算法的执行过程为:
初始化:设l=0,Ω(0)=(1,1,1,1);
第l+1次迭代:
E步:计算E(λi|yi,Ω(l)),E(lnλi|yi,Ω(l)),E(λiδi|yi,Ω(l))及
M步:解得c(l+1),d(l+1),b(l+1)及a(l+1),将Ω(l)更新为Ω(l+1);
结束条件:max(Ω(l+1)-Ω(l))<10-3或l达到最大迭代数。
解得
步骤五:估计随机参数的后验期望值
利用产品在10个测量时刻的现场性能退化数据,结合先验参数估计值分别对超参数的后验估计值进行更新,更新结果如表3所示
表3超参数值更新结果
根据Gamma函数与Normal函数的统计特性估计出,产品在时刻1800h的随机参数后验期望值为E(λ|△x)=0.647,E(μ|△x)=0.601。
步骤六:预测产品的剩余寿命
利用随机参数的后验期望值更新累积失效分布函数
Fξ(t|△x)=Φ(0.147(t0.509-49.917))-exp(2.153t0.509)Φ(-0.147((t0.509+49.917))),
进而计算出E(ξ|△x)=2169.906h,产品在1800h的剩余寿命预测值为L(t)=369.906h,利用Bootstrap自助抽样法建立剩余寿命预测值的90%置信度区间为[158h,623h]。
如果不利用Bayes理论融合先验性能退化数据进行剩余寿命预测,只利用现场性能退化数据预测出
Fξ(t|△x)=Φ(0.153(t0.482-61.004))-exp(2.869t0.482)Φ(-0.153((t0.482+61.004))),
剩余寿命值为3259h,原大于实际剩余寿命560h;利用Bootstrap自助抽样法建立剩余寿命预测值的90%置信度区间为[626h,6755h],区间长度远大于发明方法所建立的置信区间长度。可见,发明方法提高了剩余寿命预测值的准确度与置信度。
Claims (3)
1.基于逆高斯退化模型的剩余寿命贝叶斯预测方法,其特征在于,包括以下步骤:
步骤一,建立逆高斯退化模型与剩余寿命预测模型;
步骤二,设逆高斯退化模型的尺度参数λ与均值参数μ为随机参数,构建随机参数的共轭先验分布函数为:
设λ服从Gamma分布λ~Ga(a,b),先验分布函数为
设δ=1/μ服从条件正态分布δ|λ~N(c,d/λ),先验分布为
式中,Γ(·)为Gamma函数,a,b,c,d为随机参数的超参数;
步骤三,根据Bayes理论推导随机参数的后验分布函数,得到随机参数δi,λi的后验分布函数为
式中,△yi为性能退化增量,△Λi,j表示第i个产品的第j个时间增量,mi第i个产品性能退化数据测量总数,
步骤四,设计EM算法估计随机参数先验分布函数的超参数值;
步骤五,估计随机参数的后验期望值;
步骤六,预测产品的剩余寿命。
2.如权利要求1所述的基于逆高斯退化模型的剩余寿命贝叶斯预测方法,其特征在于,步骤四中,利用EM算法估计超参数值的流程为:
初始化:设l=0,Ω(0)=(1,1,1,1);
第l+1次迭代:
E步:计算E(λi|yi,Ω(l)),E(lnλi|yi,Ω(l)),E(λiδi|yi,Ω(l))及E(λiδi 2|yi,Ω(l));
以上各项的表达式推导为:
式中,Ω(l)=(a,b,c,d)(l)为第l次迭代后得到的超参数向量,
M步:解得c(l+1),d(l+1),b(l+1)及a(l+1),将Ω(l)更新为Ω(l+1);
以上各项的表达式为:
结束条件:max(Ω(l+1)-Ω(l))<10-3或l达到最大迭代数。
3.如权利要求1所述的基于逆高斯退化模型的剩余寿命贝叶斯预测方法,其特征在于,步骤五中,通过如下步骤获取随机参数的后验期望值:
首先,将随机参数在时间tj的后验分布函数更新为
然后,根据Gamma函数与Normal函数的统计特性估计随机参数的后验期望值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710234069.4A CN106874634A (zh) | 2017-04-11 | 2017-04-11 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710234069.4A CN106874634A (zh) | 2017-04-11 | 2017-04-11 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106874634A true CN106874634A (zh) | 2017-06-20 |
Family
ID=59161955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710234069.4A Pending CN106874634A (zh) | 2017-04-11 | 2017-04-11 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874634A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145773A (zh) * | 2018-08-01 | 2019-01-04 | 谭晓栋 | 一种多源趋势信息融合的故障预测方法 |
CN109885849A (zh) * | 2018-05-07 | 2019-06-14 | 长春工业大学 | 基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法 |
CN109992875A (zh) * | 2019-03-28 | 2019-07-09 | 中国人民解放军火箭军工程大学 | 一种切换设备剩余寿命的确定方法及系统 |
CN110059337A (zh) * | 2019-02-26 | 2019-07-26 | 中国西安卫星测控中心 | 基于Bayes多源数据融合的陀螺系统寿命预测方法 |
CN111460638A (zh) * | 2020-03-23 | 2020-07-28 | 北京航空航天大学 | 一种考虑个体差异性和测量误差的产品剩余使用寿命预测方法 |
CN112560234A (zh) * | 2020-12-01 | 2021-03-26 | 江苏南高智能装备创新中心有限公司 | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN104573881A (zh) * | 2015-02-10 | 2015-04-29 | 广东石油化工学院 | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
US20160274963A1 (en) * | 2015-03-20 | 2016-09-22 | Kabushiki Kaisha Toshiba | Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium |
CN106372299A (zh) * | 2016-08-29 | 2017-02-01 | 西安建筑科技大学 | 一种基于逆高斯过程和em‑pf的管道剩余寿命预测方法 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
-
2017
- 2017-04-11 CN CN201710234069.4A patent/CN106874634A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN104573881A (zh) * | 2015-02-10 | 2015-04-29 | 广东石油化工学院 | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 |
US20160274963A1 (en) * | 2015-03-20 | 2016-09-22 | Kabushiki Kaisha Toshiba | Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN106372299A (zh) * | 2016-08-29 | 2017-02-01 | 西安建筑科技大学 | 一种基于逆高斯过程和em‑pf的管道剩余寿命预测方法 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
王浩伟等: "基于随机参数Gamma过程的剩余寿命预测方法", 《浙江大学学报(工学版)》 * |
王浩伟等: "基于随机参数逆高斯过程的加速退化建模方法", 《北京航空航天大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885849A (zh) * | 2018-05-07 | 2019-06-14 | 长春工业大学 | 基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法 |
CN109145773A (zh) * | 2018-08-01 | 2019-01-04 | 谭晓栋 | 一种多源趋势信息融合的故障预测方法 |
CN109145773B (zh) * | 2018-08-01 | 2021-10-12 | 谭晓栋 | 一种多源趋势信息融合的故障预测方法 |
CN110059337A (zh) * | 2019-02-26 | 2019-07-26 | 中国西安卫星测控中心 | 基于Bayes多源数据融合的陀螺系统寿命预测方法 |
CN109992875A (zh) * | 2019-03-28 | 2019-07-09 | 中国人民解放军火箭军工程大学 | 一种切换设备剩余寿命的确定方法及系统 |
CN109992875B (zh) * | 2019-03-28 | 2020-11-17 | 中国人民解放军火箭军工程大学 | 一种切换设备剩余寿命的确定方法及系统 |
CN111460638A (zh) * | 2020-03-23 | 2020-07-28 | 北京航空航天大学 | 一种考虑个体差异性和测量误差的产品剩余使用寿命预测方法 |
CN111460638B (zh) * | 2020-03-23 | 2022-06-28 | 北京航空航天大学 | 一种考虑个体差异性和测量误差的产品剩余使用寿命预测方法 |
CN112560234A (zh) * | 2020-12-01 | 2021-03-26 | 江苏南高智能装备创新中心有限公司 | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 |
CN112560234B (zh) * | 2020-12-01 | 2024-03-12 | 江苏南高智能装备创新中心有限公司 | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874634A (zh) | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 | |
CN110851980B (zh) | 一种设备剩余寿命预测方法及系统 | |
CN107194478B (zh) | 融合寿命数据和性能退化数据的单机剩余寿命预测方法 | |
CN110955963B (zh) | 一种航空电缆剩余寿命预测方法 | |
CN102184292B (zh) | 服从指数分布的电子产品可靠性预计模型修正方法 | |
CN108446523A (zh) | 一种电子整机贮存寿命评估与预测方法 | |
CN104794735A (zh) | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 | |
Guo et al. | Bayesian degradation assessment of CNC machine tools considering unit non-homogeneity | |
CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
CN108491637B (zh) | 基于无失效数据超小样本的产品寿命分布评估方法 | |
CN107506337A (zh) | 基于多元加速退化数据的可靠性统计推断方法 | |
CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
CN105069532A (zh) | 一种多应力多退化量步进加速退化试验方案优化设计方法 | |
CN114818345B (zh) | 一种光伏组件剩余寿命预测方法及预测系统 | |
CN112113146B (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN104933323A (zh) | 融合产品成败型数据和故障时间数据的可靠性评估方法 | |
CN109978259A (zh) | 基于q型威布尔分布的产品剩余寿命预测方法及系统 | |
CN109711662B (zh) | 一种基于多源数据融合的电网抗差状态估计方法 | |
CN108829983B (zh) | 基于多隐藏状态分数布朗运动的设备剩余寿命预测方法 | |
Asadi et al. | Estimation of stress–strength reliability based on censored data and its evaluation for coating processes | |
Dąbrowska et al. | Monte Carlo simulation forecasting of maritime ferry safety and resilience | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN103312297A (zh) | 一种迭代扩展增量卡尔曼滤波方法 | |
CN101251576A (zh) | 一种基于神经网络的电路故障诊断方法 | |
KR20140004915A (ko) | 다중모델 확률예측 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170620 |